相关实验视频
Updated: Jul 20, 2025
08:21
Use of 3D Robotic Ultrasound for In Vivo Analysis of Mouse Kidneys
Published on: August 12, 2021
3.5K
泰拉字节级监督的3D训练和对比数据集的小鼠脏
Willy Kuo1,2, Diego Rossinelli1,2, Georg Schulz3
1Institute of Physiology, University of Zurich, Zurich, Switzerland.
Scientific data
|August 3, 2023
概括
新的HR-脏数据集提供了大量的3D生物医学图像集合,用于训练机器学习模型. 本资源旨在显著提高医学研究中的3D图像细分性能.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 与2D图像分析相比,3D生物医学图像分割的机器学习表现不佳.
- 这一绩效差距归因于大量高质量的注释训练数据集的稀缺性.
- 获取这些数据集需要先进的成像,专家注释和大量资源.
研究的目的:
- 介绍HR-脏数据集,这是一个用于3D生物医学图像分析的大规模资源.
- 解决现有数据集在数量和质量的局限性,用于训练机器学习模型.
- 促进图像处理,数据增强和机器学习技术的进步.
主要方法:
- 获取1.7TB的全小鼠脏的基于工件纠正的同步子辐射的X射线相对照微观断层图像.
- 验证了33729个质细胞的细分.
- 包括原始数据,半自动细分 (脏血管,尿管) 和3D手动注释.
主要成果:
- 创建了HR-脏数据集,比现有的生物医学数据集显著增加了数据量 (1-2 个数量级).
- 提供各种数据类型,包括原始图像,半自动和手动注释.
- 为科学界建立一个全面的资源.
结论:
- 人力资源-脏数据集为推进3D生物医学图像分析提供了基础资源.
- 它可以进一步研究无监督,半监督,转移学习和生成对抗网络.
- 预计这一数据集将刺激生物医学成像中的机器学习应用中的创新.
